Excel versus CaseWare IDEA
3 redenen waarom Excel niet presteert op het gebied van data-analyse
04 januari 2022 

3 redenen waarom Excel niet presteert op het gebied van data-analyse

Hint: het gaat niet om het aantal rijen in Excel. Het gaat om de relatie met de gegevens.

De kracht van Microsoft Excel voor de basisaudit valt niet te ontkennen. Het aantal bedrijven dat de basis van hun interne auditprogramma heeft gebouwd met 's werelds meest alomtegenwoordige spreadsheettool is ongetwijfeld verbluffend.

Maar wat verwarrend is, is de status quo van het gebruik van Excel voor geavanceerde auditing en data-analyse, terwijl de tool fundamenteel slecht is toegerust om aan de complexe eisen van dergelijke taken te voldoen.

Voor alle duidelijkheid: er is en er zal altijd een plaats zijn voor Excel en de weinige alternatieve elektronische spreadsheetprogramma's op de markt. Ze zijn bijna universeel toegankelijk, zeer betaalbaar, gemakkelijk te leren, en zowat overal te gebruiken.

Maar het is niet nodig om de welbekende sterke punten van spreadsheetsoftware voor elementaire bedrijfsfuncties en de beperkte interne controle verder in de verf te zetten. In plaats daarvan is het belangrijk om na te gaan waar het tekortschiet, en de scheuren in zijn harnas worden duidelijk wanneer de geavanceerde audit en data-analyse de vergelijking aangaan.

 

Auditing in een door gegevens geobsedeerde wereld

 

Laten we eerst vaststellen wat we daarmee bedoelen: de geavanceerde interne audit van vandaag is er een die gebruik maakt van data-analyse mogelijkheden om enorme hoeveelheden gegevens uit meerdere bronnen te beoordelen. En terwijl het ooit werd beschouwd als een nice-to-have, wordt data-analyse alom gezien als een essentieel onderdeel van de volwassen, moderne audit. En eerlijk gezegd is het tegenwoordig van cruciaal belang. Ergens tussen Big Data, cybercrimesrisico's en AI ontstaan de complexe behoeften van de hedendaagse audit en komen de beperkingen van conventionele software aan het licht. Deze beperkingen gaan verder dan Excels limiet voor rijen en kolommen, respectievelijk ongeveer een miljoen en 16.000. Wanneer het op de moderne audit aankomt, liggen de beperkingen van Excel eerder in de relatie met gegevens dan in de hoeveelheid gegevens die het kan bewaren.

Laten we daarom eens kijken naar de top drie beperkingen waarmee we te maken krijgen als we Excel of een dergelijk programma proberen te gebruiken om te voldoen aan de eisen van een interne audit die wordt gevoed door gegevensanalyse.

 

1. Het zal de integriteit van de gegevens niet beschermen

 

Interne auditors zullen het er waarschijnlijk mee eens zijn dat een audit slechts zo nauwkeurig is als de beschikbare gegevens. De meeste mensen zullen het ermee eens zijn dat mensen, nou ja, foutgevoelig zijn. Een auditor kan zoveel externe gegevens van zoveel externe bronnen binnenhalen als hij wil. Hij kan ze accuraat noemen, maar in de handen van de gewone man/vrouw is de informatie in spreadsheets onderhevig aan slordige toetsaanslagen, een slechte copy-and-paste, een gebrekkige formule en ontelbare andere fouten. Spreadsheets die tussen collega's worden gemaild, lopen met elke hand die ze passeren het risico nog verder te worden aangetast, waardoor het risico op fouten nog groter wordt. In een sector die zo synoniem is met risicomijdend gedrag, is het opmerkelijk dat een auditor zich op zijn gemak zou voelen bij het beheer van enorme gegevensbestanden met dergelijke wispelturige controles - vooral als er een alternatief is.

Speciale software voor de analyse van auditgegevens omzeilt het probleem door het element van menselijke fouten te minimaliseren en de gegevens - meestal geïmporteerd uit Excel-spreadsheets - te beschermen in een gecentraliseerd en veilig systeem waar de mogelijkheid van toets fouten of het e-mailen van de verkeerde bestandsversie volledig wordt geëlimineerd. Met andere woorden, de oplossing voor gegevensanalyse heeft een zeer intieme relatie met de gegevens en beschermt ze dienovereenkomstig.

"In een sector die zo synoniem is met risicomijdend gedrag, is het opmerkelijk dat een accountant zich op zijn gemak zou voelen enorme datasets te beheren met zulke wispelturige controles - zeker als er een alternatief is."

 

2. Er is geen echte audittrail

 

Als er een menselijke of andere fout optreedt, of als de verkeerde gegevens in een auditproces terechtkomen, is het belangrijk om terug te kunnen kijken en te bepalen wat er fout is gegaan en wanneer dat is gebeurd. Dit is nog belangrijker wanneer meerdere gegevensbronnen worden gebruikt of in situaties waarin voortdurend audits moeten worden uitgevoerd.

Dat brengt ons bij een andere beperking van conventionele tools: De doorsnee spreadsheetoplossing heeft geen intrinsieke capaciteit voor het bijhouden van gegevens die voldoet aan de eisen die zelfs aan een elementaire audit trail worden gesteld.

Software voor gegevensanalyse creëert daarentegen van nature een controlespoor waarin alle wijzigingen en bewerkingen van een database worden vastgelegd. Import van bestanden en formaten, soorten uitgevoerde analyses en analyseresultaten zijn allemaal opgenomen in onveranderlijke bestandseigenschappen en dat is het soort betrouwbaarheid waar een auditor 's nachts van kan slapen.

 

3. Het heeft geen data-analyse libraries

 

De belangrijkste tekortkoming van traditionele auditing benaderingen is dat ze geen gebruik maken van de ongelooflijke mogelijkheden die audit data analytics biedt. Wanneer audit data analytics tools gaan praten met data analytics libraries, gebeurt er magie.

Theoretisch kunnen sommige van de basistests die data analytics mogelijk maken, worden uitgevoerd in standaard spreadsheet programma's, maar dit zijn tijdrovende en ingewikkelde bezigheden omdat gebruikers ingewikkelde macro's of meerdere draaitabellen moeten programmeren.

Vergelijk die aanpak eens met tools waarmee gebruikers gegevens kunnen dupliceren, samenvoegen of stratificeren, of waarmee ze moeiteloos een test voor kloofdetectie of de Benford’s law kunnen uitvoeren – programeer ervaring is niet nodig.

Een deel van ons probleem op dit moment is dat we allemaal overspoeld worden met gegevens. Er is te veel van, en dat is een mes dat aan twee kanten snijdt in zoverre dat het ons in staat stelt ongelooflijke inzichten te ontdekken als we ze en de omvang ervan daadwerkelijk kunnen bevatten. Tools voor gegevensanalyse helpen gebruikers van begin tot eind door een gegevensanalyseproces te navigeren met vooraf gedefinieerde routinetests die een relatief onervaren gebruiker kunnen helpen bij het uitvoeren van bijvoorbeeld een reeks routines om beveiligingsproblemen in een SAP-implementatie op te sporen.

 

Op weg naar gegevens gestuurde oplossingen

 

Zoals goed is gedocumenteerd, is interne audit een beetje traag met het invoeren van nieuwe technologie. En het zal niet verbazen dat de meeste auditors alleen vertrouwd zijn met elektronische spreadsheets. Dat is vreemd, want tussen data mining, predictive analytics, fraudedetectie en cyberbeveiliging zijn data analytics en internal audit natuurlijke bedgenoten.

In dit tijdperk van digitale transformatie wordt de data-gedreven audit de norm en het is interessant dat het argument voor geavanceerde data-analytics in 2022 nog steeds moet worden gemaakt. Maar met een sector die te afhankelijk is van verouderde oplossingen en met data-analyse en datamining als de vaardigheden die het meest behoefte hebben aan extra training, is het een punt dat het waard is om naar voren te brengen.

 

Paul Leavoy is een schrijver die zich al meer dan tien jaar bezighoudt met bedrijfsbeheertechnologie. Momenteel doet hij onderzoek naar en schrijft hij over data analytics en internal audit technologie voor CaseWare IDEA. Neem direct contact met @CasewareIDEA voor meer informatie.